0510-83591626

您所在的位置: 首页 > 新闻动态 > 行业新闻

0510-83591626
大数据:材料基因组计划,机器学习方法预测材料性能! 发布时间:2018-04-16   浏览量:1903次

近二十年来,机器学习方法的发展为我们的生活带来许多便利。智能网络搜索、语音识别,乃至无人超市、无人驾驶汽车等,依托于机器学习方法的新事物正迅速地在生活中普及。Alpha Go的横空出世更让世界惊叹于人工智能的潜在价值。在科研领域,大数据的理念正在改变着科研人员对未知世界的探索方式。美国在2011年提出了材料基因组计划(Materials Genome Initiative),以期加快材料的研发过程。我国怀柔科学城的发展规划中,“材料基因组研究平台”项目已全面开工建设。高通量实验+高性能计算+深度数据分析的研究方式已经成为时代发展的趋势。

  

在非晶合金研究领域,如何设计并开发出具有良好玻璃形成能力的合金,是一个具有重要产业价值的科学问题。过去非晶合金材料新体系的探索主要依据经验性判据的指导,由于其准确性与通用性的限制,非晶新材料的研发速度非常缓慢。如何提高材料设计的效率,寻找具有更优性能的材料,是非晶材料领域非常具有挑战性的问题。

  

中国科学院物理研究所/北京凝聚态物理国家实验室(筹)汪卫华研究组博士研究生孙奕韬在研究员汪卫华、白海洋及中国人民大学物理系教授李茂枝的指导下,使用机器学习的方法,对二元合金的玻璃形成能力进行了系统分析,建立了合金成分与性能之间的关联,并对可能的新材料进行了预测。研究过程中使用了支持向量机(Support Vector Machine)这种方法(图1),通过构建多维空间,并在这个多维空间内对数据进行分割,从而建立输入参量与输出参量之间的关联。

1.jpg

    图1. 支持向量机方法的基本过程,包括四个主要部分:数据库的建立,模型的训练,模型的评估,以及最优模型的预测。


该研究方法可通过不断选择新的参数对模型进行重复训练,探讨了合金的不同性质对其玻璃形成能力的影响(图2)。研究发现,参量Tliq(表征合金过冷能力的参量)与合金的玻璃形成能力有最为显著的关联,而且使用参量Tliq与Tfic(表征合金热稳定性)作为输入参数,可以得到具有最佳预测效率的模型。


2.jpg

图2. 不同的输入参数得到的模型的预测结果。


通过对最佳模型的分析,发现已知的具有良好玻璃形成能力的二元合金,其分布与模型的预测值具有很好的一致性(图3)。

3.jpg

图3. 最优模型的预测结果。已发现的优秀材料与模型预测(红色区域)有很好的一致性。


使用这个模型,可以对未知的合金成分进行预测,这样由深度数据分析指导设计的实验,可以极大地缩短非晶合金材料的研发周期(图4)。


4.jpg

图4. 最优模型预测得到最佳玻璃形成能力的合金体系的成分云图。


该工作作为使用新的工具对经典问题进行分析的一种尝试,得到了初步成果。这表明,机器学习的方法在非晶材料设计与研发领域具有重要的应用前景。采用更全面、完善的数据库,运用更深入的人工智能算法,机器学习方法能够为非晶等领域科研人员提供更精准的信息,进一步加速材料的研发过程。

  

这项研究结果发表在J. Phys. Chem. Lett. 8, 3434(2017)上。该项研究工作得到国家自然科学基金项目(51571209,51461165101)、科技部“973”项目(2015CB856800)和中科院前沿科学关键研究项目(QYZDY-SSW-JSC017)的支持。

隐石检测拥有一批在业内取得显著成就的专业技术人员,在行业内有着丰富的检测经验。秉承着专注、专业、高效、想客户所想的理念,公司积极增加项目和完善更先进的测试仪器设备,保障每一个检测,分析,研发任务优质高效的完成。同时通过专业所长,为全球数万家优质客户提供最及时的行业技术标准信息,和更高精尖的分析检测解决方案。

  隐石检测分别成立了阀门实验室腐蚀实验室金相实验室力学实验室无损实验室耐候老化实验室。从事常压储罐检测锅炉能效检测金属腐蚀检测SSC应力腐蚀检测HIC抗氢致开裂检测阀门检测应力应变检测无损探伤检测机械设备检测金相分析石墨烯纳米材料检测水质检测油品检测涉及的服务范围已广泛覆盖到钢铁材料,有色金属材料,石油化工设备,通用机械设备,冶金矿石,建筑工程材料、航空航天材料,高铁船舶材料,汽车用零部件、非金属材料,电子电工产品等各个领域,并获得了CMA和CNAS;双重认可。

相关新闻
联系我们 0510-83591626 18921519533

江苏省无锡市锡山区华夏中路3号文华国际

手机版

Copyright © 2017-2024 江苏隐石实验科技有限公司 All Rights Reserved   备案号:苏ICP备2021030923号-2    苏公网安备32020502001473   技术支持:迅诚科技